SQL es poderoso pero verboso. Escribir SELECT DISTINCT u.* FROM users u JOIN purchases p ON p.user_id = u.id WHERE u.created_at >= DATE_SUB(NOW(), INTERVAL 7 DAY) AND u.created_at < NOW() para responder la pregunta "usuarios que se registraron la semana pasada e hicieron una compra" es el tipo de ceremonia que hace que la interacción con la base de datos se sienta como una tarea pesada.
Las consultas estilo ORM de FLIN mejoran esto: User.where(created_at >= last_week).where(purchases.count > 0). Mejor, pero aún técnico. El desarrollador debe conocer los nombres de campos, los operadores de comparación y la semántica de joins.
El motor de intenciones va un paso más allá:
flinusers = ask "users who signed up last week and made a purchase"Una línea. Lenguaje natural. El motor de intenciones traduce la intención a una consulta de base de datos, la ejecuta y retorna entidades FLIN tipadas. El desarrollador no escribe SQL. No escribe consultas ORM. Describe lo que quiere, y FLIN resuelve cómo obtenerlo.
La palabra clave ask
La palabra clave ask es un constructo de primera clase del lenguaje que activa el motor de intenciones:
flin// Consultas simples
users = ask "all active users"
posts = ask "posts from today"
products = ask "products under 100 dollars"
// Consultas complejas
vips = ask "users who spent more than 1000 in the last month"
trending = ask "most viewed articles this week"
at_risk = ask "customers who haven't ordered in 30 days"
// Agregaciones
count = ask "how many users signed up yesterday"
average = ask "average order value this month"La cadena dentro de ask se analiza semánticamente, no literalmente. "Users who signed up last week" se entiende como un filtro en el campo created_at de la entidad User con un rango de fechas de los 7 días anteriores. "Products under 100 dollars" se mapea a Product.where(price < 100).
Cómo funciona el pipeline de traducción
Cuando el runtime de FLIN encuentra una expresión ask, ejecuta un pipeline de cinco etapas:
Etapa 1: ENTRADA
ask "users who signed up last week and made a purchase"
Etapa 2: ANÁLISIS DE ESQUEMA
Entidades disponibles: User, Order, Product
Campos de User: name, email, created_at, active
Campos de Order: user, total, created_at, status
Etapa 3: TRADUCCIÓN IA
El LLM genera un plan de consulta:
{
"entity": "User",
"filters": [
{"field": "created_at", "op": ">=", "value": "last_week"},
{"join": "orders", "condition": "count > 0"}
]
}
Etapa 4: EJECUCIÓN DE CONSULTA
User.where(created_at >= last_week)
.where(orders.count > 0)
Etapa 5: RESULTADOS
[User, User, User, ...]Privacidad y seguridad
El motor de intenciones fue diseñado con la privacidad como restricción:
Solo esquema, no datos. Los esquemas de entidades (nombres y tipos) se envían al LLM para la traducción. Los datos reales de las entidades (emails de usuarios, contraseñas, registros financieros) nunca salen del runtime de FLIN.
Ejecución parametrizada. El LLM genera un plan de consulta con valores parametrizados. Los valores se resuelven localmente, no por el LLM. Esto previene la extracción de datos a través de ingeniería de prompts.
Aplicación de lista blanca. El plan de consulta solo puede referenciar entidades y campos que existen en el esquema. El LLM no puede inventar entidades o acceder a tablas del sistema.
El motor de intenciones es la función más visionaria de FLIN. Tiende un puente entre lo que los humanos piensan ("muéstrame pedidos recientes") y lo que las bases de datos entienden (SELECT * FROM orders WHERE created_at >= '2026-03-19').
Esta es la Parte 116 de la serie "Cómo construimos FLIN", que documenta cómo un CEO en Abidjan y un CTO de IA diseñaron y construyeron un lenguaje de programación desde cero.
Navegación de la serie: - [115] Guards y middleware de seguridad personalizados - [116] El motor de intenciones: consultas de base de datos en lenguaje natural (estás aquí) - [117] Búsqueda semántica y almacenamiento vectorial - [118] AI Gateway: 8 proveedores, una API